JP2005038098A - Apparatus using data mining, and method for monitoring and executing operation state of facility or transaction - Google Patents
Apparatus using data mining, and method for monitoring and executing operation state of facility or transaction Download PDFInfo
- Publication number
- JP2005038098A JP2005038098A JP2003198570A JP2003198570A JP2005038098A JP 2005038098 A JP2005038098 A JP 2005038098A JP 2003198570 A JP2003198570 A JP 2003198570A JP 2003198570 A JP2003198570 A JP 2003198570A JP 2005038098 A JP2005038098 A JP 2005038098A
- Authority
- JP
- Japan
- Prior art keywords
- data
- transaction
- facility
- data mining
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
Description
【０００１】
【発明の属する技術分野】
本発明は、プラントにおける機器や施設の運転、又は株取引や店舗における商品販売等の取引の異常傾向及び最適化傾向を検出し、その異常及び最適範囲を特定し、また異常又は最適の原因を推定し、更に各機器や施設の運転又は取引のガイダンスを提示し、機器、施設の運転又は取引することができるデータマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法に関するものである。
【０００２】
【従来の技術】
火力、水力及び原子力等の発電所では発電した電気は、効率的に送電するために電圧を昇圧して送電線で変電所等の電気所に送り、そこで降圧し、送電線で更に他の変電所へ送電したり、送電線や配電線を通して需要家に送り届けられる。
このように、発電所は安全かつ効率の良い発電を行い、変電所は、電圧の変成、即ち電力を安全、かつ経済的に輸送することが望まれている。
【０００３】
このような発電所、変電所等の電気所の使命を果たすためには、必要な設備を具備することは勿論であるが、発電所等の運転保守が容易、確実、安全に実施される必要がある。このために、発電所、変電所等には、運転が容易に行えるように配電盤や制御卓等の監視制御装置を設けている。そこで、これらの電気所の運用において、設備管理を目的に、多数のプラントプロセス量について自動計測してコンピュータに取り込み、その運転データとして管理し、これらのデータを長期に亘って保存管理している。この運転データは、例えば火力発電所の日誌データ、プラントの性能管理、記録データであり、運転履歴データ、設備の保守管理データ、また環境監視データという種々の内容のデータからなっている。それぞれのデータについては、それぞれの特性、特質に応じて加工、編集等の諸処理を行っている。
【０００４】
【発明が解決しようとする課題】
これら運転データは、最近の発電所では、分単位、時間単位で記録され、データの種類と記録時間の積で蓄積されていくため膨大な量になっている。このようにして運転データは長期に亘って保管するが、過去のデータについては利用することが極めて少なかった。
【０００５】
また、膨大なデータを用いて株取引、又はコンビニ等の各種商品販売における客層と売れ筋商品の傾向や株や先物取引等の種々の取引を効率的に実行する方法の提案が望まれていた。
【０００６】
本発明は、かかる問題点を解決するために創案されたものである。すなわち、本発明の目的は、火力発電所等のプラントや機器に関する過去の運転データをデータマイニング技術を用いて解析することで、膨大なデータから異常な運転や最適運転指針を見つけ出し、プラントの正常運転又は高効率運転のための改善指針を見出すこと、更に株取引又はコンビニ等の各種商品販売に関する膨大なデータをデータマイニング技術を用いて解析することで、株取引又はコンビニ等の最適な運用計画指標を抽出することができるデータマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法を提供することにある。
【０００７】
【課題を解決するための手段】
本発明によれば、機器や施設の運転等又は取引の異常傾向と最適値傾向を検出し、その異常及び最適な範囲を特定し、またその異常又は最適原因を推定し、更に各機器や施設の運転及び取引等のガイダンスを提示する、データマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法であって、前記機器や施設の運転又は取引に関する種々のデータについて採取し、格納し、特定の項目に着目したデータについて経時的傾向・相関を解析するデータマイニング段階と、前記データについて評価、操作、制御、取引内容及びその理由を明示するデータ評価段階と、前記データ評価に基づいて機器や施設の運転又は取引等を実施する実行段階と、前記機器や施設の運転等又は取引を実施した各データを、更にデータマイニングする補充データマイニング段階と、を備えた、ことを特徴とするデータマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法が提供される。
【０００８】
前記データマイニング段階の前に、前記機器や施設の運転又は取引を管理するために必要なデータ項目、及びその運転状況又は取引を監視するために必要なデータ項目を選定するデータ選定段階を備えることが望ましい。
【０００９】
上記構成の監視方法では、データマイニング段階で採取した火力発電所等のプラントの機器、施設の運転状況に関する過去のデータ、現在のデータ及び予測データを解析し、その膨大なデータから最適運転指針を見つけ出し、そのプラントにおける機器、施設の高効率運転のための改善指針を見出すことができる。特に、過去の運転データ又は取引データからプラント運転又は取引の最適指標を抽出することができるので、プラント等における機器や施設の運転又は取引の傾向を検出し、指標範囲を特定し、更に各機器や施設の運転又は取引のガイダンスを提示することができる。
また、コンビニ等の多数の店舗があり、多数の商品を取り扱う膨大なデータからデータマイニングし、解析し、その膨大なデータから取引の傾向を検出し、最大利益の指針を見出すことができる。
【００１０】
前記データ評価段階の次に、データマイニングの検証と引例データを生成するためのシミュレーションを行うシミュレーション段階を更に備えることが好ましい。このように、シミュレーション段階を備えることで、実機とシミュレーションとを比較することで、その実機の制御又は検証を容易に行うことができるので、機器や施設の運転状況又は取引について確実に指標範囲になるように監視し、実行することができる。
【００１１】
前記データマイニング段階で採取した情報を、前記シミュレーション段階のモデルとして追加することにより予測データを生成し、その精度を向上させることができる。
【００１２】
前記データマイニング段階では、機器や施設の運転又は取引に関する種々のデータ項目を階層的に選択したものを採取し、格納することが好ましい。
【００１３】
前記データマイニング段階において、機器や施設の運転又は取引に関する種々のデータ項目を階層的に選択したものを採取し、格納する。前記階層的に抽出したデータ項目をデータマイニングすることによって、マイニング結果で得られた情報が、前記機器、施設又は取引の何れの部分に関するものかを特定する。そして、データマイニングにおいては、プラントの挙動は様々な要因によって複雑に変化しているため、それらの要因（データ項目）の影響を排除するためにそれらのデータ項目に対して一定値の条件設定を行い、クラスタリング等のデータマイニング処理を行う。
【００１４】
前記データ領域を幾つかの条件で分割するために、クラスタリングを行い、それぞれのクラスでのデータトレンドを分析する、クラスタリングによるデータ解析段階を、更に備えることができる。これにより、同じ条件、すなわちクラスでの時系列上での傾向を見て取れることができる。
【００１５】
前記データマイニング結果を時系列グラフにし、最小二乗法による回帰曲線を求め、この求めた回帰曲線の傾き値を相対的に比較し、経時的傾向の把握を行う、回帰曲線による経時的傾向の分析段階を、更に備える。
これにより、時系列グラフから回帰曲線を求める場合、データのばらつきを取り除くためにデータの±σ（又は±２σ、±３σ）のデータのみを用い、経時的傾向分析の精度を向上させることができる。これで求めた階層構造を元に、各項目の経時的傾向（回帰曲線の傾き値）の相関関係を分析することにより、それぞれの経時的傾向の影響度合いが判り、経時的傾向の要因を推定することができる。
【００１６】
選定したデータ項目間の相関関係を分析し、前記経時的傾向の相関関係を補完することができる。
【００１７】
クラスタリングによるデータマイニングを行い、同じ条件のデータとして、時系列上で塊として存在するデータ塊間の経時的傾向、相関を分析することによって傾向の検出を行う、ことが好ましい。
【００１８】
前記クラスタリングによるデータマイニングを、プラントの効率を左右する要因である大気温度や海水温度によってクラスタリングによるデータマイニングを行う。また、店舗における商品販売を左右する天候や気温等の要因に基づくクラスタリングによるデータマイニングを行う。この所定の要因でクラスタリングしたデータに対して、その稼動効率を補正し、複数のグラフを合成した結果を算出して評価する、ことができる。
【００１９】
前記クラスタリングによるデータマイニングを、プラントにおける定検・補修工事前後の運転データを区分し、明らかに異常な傾向を示しているデータは除外し、更にデータ数が少ないデータ塊は削除し、残ったデータで一次の回帰曲線を求め、その傾きを正常傾向範囲とすることにより、経時的傾向の正常と判断される範囲を設定する、ことができる。
【００２０】
前記クラスタリングによるデータマイニングを、データの塊間の一次の回帰曲線を求め、正常傾向値と比較し、大きく逸脱していないかを確認し、データの塊自身が経時的傾向をもっているかどうかをデータの塊と時刻との相関値（Ｒ２値）を求め、それにより判断し、データの塊自体が経時的傾向を持つ場合、正常傾向範囲と比較し、大きく逸脱していないかどうかを確認することにより、異常傾向を検出する。
【００２１】
前記クラスタリングしたデータに対して、機器、施設の運転状況又は取引の効率を補正し、複数のグラフを合成した結果を算出して評価する。
【００２２】
復水器真空度、大気温度でクラスタリングしたデータに対して、プラント効率を補正し、複数のグラフを合成した結果を算出して評価する。
【００２３】
これらのデータマイニング処理（クラスタリング処理）を階層的に行うことで、異常原因（異常が起きている部位）を特定する、
【００２４】
前記データ評価段階において業務ノウハウを参照する、ことができる。
【００２５】
前記データ評価段階の結果に基づいて、前記機器や施設の運転を手動操作又は自動制御する。
【００２６】
前記データ評価段階は、経済的な取引を行う、ことも可能である。例えば、膨大なデータを用いて株取引や種々の取引を効率的に実行することに利用することができる。
【００２７】
【発明の実施の形態】
以下、本発明の好ましい実施の形態を図面を参照して説明する。
図１は本発明のデータマイニングを用いた機器又は施設の運転状況の監視及び実行方法の実施の形態を示すブロック図である。図２は本発明のデータマイニングを用いて取引の監視及びその実行方法の実施の形態を示すブロック図である。
本発明の監視及び実行方法は、発電プラントにおける機器や施設の運転又は取引に関する種々のデータについて採取し、格納し、特定の項目に着目したデータについて経時的傾向・相関を解析するデータマイニング処理を行い、このデータマイニング処理したデータについて評価、操作、制御、取引内容及びその理由を明示し、このデータ評価に基づいて機器や施設の運転又は取引等を実施し、機器や施設の運転等又は取引を実施した各データを、更に補充データマイニングする方法である。これにより、機器や施設の運転等又は取引の異常傾向と最適値傾向を検出し、その異常及び最適範囲を特定し、またその異常又は最適原因を推定し、更に各機器や施設の運転及び取引等のガイダンスを提示し、機器、施設の運転する方法である。
【００２８】
図３は図１又は図２におけるデータマイニング処理部分を説明するフロー図である。
データマイニング処理では、図３に示すように、運転データを基に、（１）データマイニング前処理、（２）階層化・クラスタリング処理、（３）経時的傾向・相関分析、（４）傾向劣化グラフの作成、（５）異常傾向の検出、（６）異常原因の推定、（７）診断ガイダンス結果の出力及び（８）正常運転ガイダンス出力を行う。
【００２９】
データマイニング処理するときは、発電所、変電所等のプラントにおいて、設備管理を目的に多数のプラントプロセス量について自動計測してコンピュータに取り込み、これらを運転データとして管理し、長期に亘って保存管理されるデータを予め採取する。例えば、この運転データには、発電所等の日誌データ、プラントの性能管理、記録データであり、運転履歴データ、設備の保守管理データ、また環境監視データ等の種々のデータについて予め採取し、格納する。
【００３０】
このようにデータマイニングした過去のデータから正常運転又は高効率運転ゾーンを決定し、この過去の運転状況を検証する際に、このようなゾーンからはみ出したかどうかを判定する。その判定は瞬時値と傾向と双方で行い、正常又は高効運転のゾーンに入れるときは、手動操作又は自動御御する。
【００３１】
このようにデータマイニングを用いた運転状況の監視及び実行方法では、発電所等のプラントの過去３年程度の運転データ、保守履歴等を利用する。このデータマイニングを適用した診断の実施及び診断のための基礎データを作成する現在の運転データについて定期的を採取し、効率管理、異常監視を行うことが好ましい。
【００３２】
更に、データマイニング結果を総合的な視点で眺め、効率管理についてのガイダンスの提示を行い、運転のばらつきをそのガイダンスの範囲に納めることができた場合の効果の算出を行う。過去の運転実績から、最適な効率運転時の運転パターンを求め、計測誤差及び評価項目以外の影響誤差を考慮した運転許容幅を持った運転ガイダンスを行う。最適な効率運転に納めることができた場合の効果を、効率のコレクションカーブ（設計値）より求める。
【００３３】
図４はデータ項目を階層的に選択することを示す説明図である。
これらのデータは、インターネットやウェッブを用いてデータベース（図示していない）に蓄積を格納する。例えば、階層化・クラスタリング処理に際しては、機器や施設の運転又は取引に関する種々のデータ項目を階層的に選択したものを採取し、格納する。階層的に抽出したデータ項目をデータマイニングすることによって、マイニング結果で得られた情報が、機器、施設又は取引における何れの部分に関するものかを特定する。このように、プラントの挙動は様々な要因によって複雑に変化しているためそれらの要因（データ項目）の影響を排除するためにそれらのデータ項目に対して一定値の条件設定を行う。
【００３４】
「送電端効率」については、図３に示すように、「発電端効率」と「所内電力」との階層に分け、「発電端効率」については、「ボイラ効率」と「タービン効率」との階層に分け、「ボイラ効率」は「排ガス損失」と「ボイラ本体」とを階層的に選定する。「タービン効率」は「復水器真空度」と「タービン本体」との階層に分ける。
【００３５】
階層的に抽出したデータ項目をデータマイニングすることによって、マイニング結果で得られた情報がプラントのどの部分に関するものかを特定することができる。更に、プラントの挙動は様々な要因によって複雑に変化しているためそれらの要因、即ち、データ項目の影響を排除するためにそれらのデータ項目に対して一定値の条件設定を行う。
【００３６】
また、階層化・クラスタリング処理に際しては、データ領域を幾つかの条件で分割するために、クラスタリングを行い、それぞれのクラスでのデータトレンドを分析する。このクラスタリングにより、同じ条件、即ちクラスでの時系列上での傾向を見て取れることができる。
【００３７】
全データ領域、例えば最低負担から定格負担のデータを分析するのではなく、データ領域についてクラスタリングを行い、それぞれのクラスでのデータトレンドを分析する。これにより、同じ条件、即ちクラス下での時系列上での傾向を見て取れることになる。
【００３８】
経時的傾向・相関分析に際しては、前記データマイニング結果を時系列グラフにし、最小二乗法による回帰曲線を求め、この求めた回帰曲線の傾き値を相対的に比較し、経時的傾向の把握を行う。これにより、時系列グラフから回帰曲線を求める場合、データのばらつきを取り除くためにデータの±σ（又は±２σ、±３σ）のデータのみを用いることにより、経時的傾向分析の精度を向上させることができる。
【００３９】
この経時的傾向分析で求めた階層構造を元に、各項目の経時的傾向（回帰曲線の傾き値）の相関関係を分析する。これにより、それぞれの経時的傾向の影響度合いが判り、経時的傾向の要因を推定することができる。
【００４０】
例えば、表１に示すように、データ項目の「発電端効率」が、経時的傾向で「効率低下の傾向有り」と示し、「タービン効率」は「効率低下の傾向有り」と、「ボイラ効率」は「効率に経時的傾向無し」というような経時的傾向がある場合は、効率低下の要因はタービン側にあると推定することができる。
【００４１】
【表１】
選定したデータ項目間の相関関係を分析し、前記経時的傾向の相関関係を補完する、ことが好ましい。
【００４３】
クラスタリングによるデータマイニングを行い、同じ条件のデータとして、時系列上で塊として存在するデータ塊間の経時的傾向、相関を分析することによって異常傾向の検出を行う。また、データ塊自身の経時的傾向、相関を分析することによっても異常傾向の検出を行う。
【００４４】
図１又は図２に示すように、データ評価の次にデータマイニングの検証と引例データを生成するためのシミュレーションを行うことが好ましい。このように、実機とシミュレーションとを比較することで、その実機の制御又は検証を容易に行うことができ、機器や施設の運転状況又は取引について確実に監視し、実行することができる。
【００４５】
データマイニングで得られた情報は、シミュレータのモデルに追加する。データマイニングの検証と引例データを生成するためのシミュレーションを行うシミュレータを備えることで、予測データを生成することができる。
【００４６】
クラスタリングによるデータマイニングを、プラントの効率を左右する要因である大気温度や海水温度によってクラスタリングによるデータマイニングを行う。外的要因について、クラスタリングを行う。例えば、「タービン効率」については海水温度は「０．５℃」刻みでデータを採取する。「ボイラ効率」については大気温度は「２．５℃」刻みでデータを採取する。この所定の要因でクラスタリングしたデータに対して、その稼動効率を補正し、複数のグラフを合成した結果を算出して評価する。
【００４７】
クラスタリングによるデータマイニングを、プラントにおける定検・補修工事前後の運転データを区分し、明らかに異常な傾向を示しているデータは除外し、更にデータ数が少ないデータ塊は削除し、残ったデータで一次の回帰曲線を求め、その傾きを正常傾向範囲とすることにより、経時的傾向の正常と判断される範囲を設定する。
【００４８】
クラスタリングによるデータマイニングを、データの塊間の一次の回帰曲線を求め、正常傾向値と比較し、大きく逸脱していないかを確認し、データの塊自身が経時的傾向をもっているかどうかをデータの塊と時刻との相関値（Ｒ２値）を求め、それにより判断し、データの塊自体が経時的傾向を持つ場合、正常傾向範囲と比較し、大きく逸脱していないかどうかを確認することにより、異常傾向と最適値傾向を検出する。
【００４９】
クラスタリングしたデータに対して、機器、施設の運転状況又は取引の効率を補正し、複数のグラフを合成した結果を算出して評価する。復水器真空度、大気温度でクラスタリングしたデータに対して、プラント効率を補正し、複数のグラフを合成した結果を算出して評価する。
【００５０】
データマイニングの出力の次にエキスパートシステムを配置し、このエキスパートシステムにはデータ評価と操作、制御内容及びにおいて業務ノウハウを参照し、エキスパートシステムする。この業務ノウハウは、例えばプラントにおける機器の運転又は施設の運転に必要なノウハウをいう。あるいは、株取引における好適な売買時や購入量等のノウハウをいう。
【００５１】
このようなデータ評価の結果に基づいて、プラントにおける機器や施設の運転を手動操作又は自動制御する。
【００５２】
また、このようなデータ評価の結果に基づいて、株取引や先物取引のような経済的な取引を行うことも可能である。例えば、膨大なデータを用いて株取引や種々の取引を効率的に実行することに利用することができる。更に、コンビニ等の各種商品販売における客層と売れ筋商品の傾向や、天候と売れ筋商品の傾向との関係を把握してその販売の効率化を図ることができる。
【００５３】
図５は負荷１００％、冷却水温度復水器入口１５℃でクラスタリングしたタービン効率の経時的傾向・相関分析を示すグラフである。
グラフ上で１９９８年１２月〜１９９９年１１月の傾向は相関値が小さくデータのバラツキの範囲で機器の異常又は運転方法の不適は無いと判定できるが、１９９９年１１月〜２０００年４月の傾向は相関値が大きく、機器の異常又は運転方法の不適があったと判定できる。
【００５４】
図６は負荷１００％、復水器真空度７３４ｍｍＨｇでクラスタリングしたタービン効率の経時的傾向・相関分析を示すグラフである。
グラフ上で１９９８年１２月〜２０００年１月の傾向は相関値が小さくデータのバラツキの範囲で機器の異常又は運転方法の不適は無いと判定できが、２０００年２月〜２０００年２月の塊の傾向は相関値が大きく、また、２０００年２月頃の塊自身の傾向の相関関係が大きく機器の異常又は運転方法の不適があったと判定できる。
【００５５】
図７はガイダンスのみを行う監視方法を示すブロック図である。
本発明のデータマイニングを用いた機器、施設の運転状況又は取引の監視方法は、ガイダンスのみを行う方法として利用することができる。即ち、機器、施設の運転状況又は取引に関する運用データ等を新たにデータマイニングしない方法である。例えば、店舗において「晴れの日」、「曇りの日」、「雨の日」に応じて、その商品の売れ筋の売上げ高を推測するときに利用することができる。
【００５６】
なお、本発明は上述した発明の実施の形態に限定されず、過去のデータ及び新たなデータをデータマイニングし、その傾向を分析、予測する方法であれば、上述した構成に限定されず、本発明の要旨を逸脱しない範囲で種々変更できることは勿論である。
【００５７】
【発明の効果】
本発明のデータマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法は、プラントや機器に関する運転データをデータマイニングし、または取引に関する運用データをデータマイニングし、そのデータを解析することで、膨大なデータから最適運用指針を見出し、プラントや機器及び取引の高効率運用のための改善指針を見出すなど、過去及び新たな運転データ、運用データからプラントや機器及び取引の最適指標を抽出することができるため経済的な運用が可能となる。
【００５８】
例えば、過去の運転データからプラント運転の最適指標を抽出することができ、プラント等における機器や施設の運転の傾向を検出し、指標範囲を特定し、更に異常の原因を特定し、各機器や施設の正常運転及び高効率運転を行うことができる。
【００５９】
また、コンビニ等の多数の店舗のように多数の商品を取り扱う場合、また多数の要因を根拠に取引する必要がある株取引など膨大なデータからデータマイニングし、解析し、その膨大なデータから取引の傾向を検出し、最適な商品取引又は株取引における最大利益の指針を見出すことができる、等の効果がある。
【図面の簡単な説明】
【図１】本発明のデータマイニングを用いた機器、施設の運転状況の監視及び実行方法の実施の形態を示すブロック図である。
【図２】本発明のデータマイニングを用いた取引の監視及び実行方法の実施の形態を示すブロック図である。
【図３】図１又は図２におけるデータマイニング処理部分を説明するフロー図である。
【図４】データ項目を階層的に選択することを示す説明図である。
【図５】負荷１００％、冷却水温度復水器入口１５℃でクラスタリングしたタービン効率の経時的傾向・相関分析を示すグラフである。
【図６】負荷１００％、復水器真空度７３４ｍｍＨｇでクラスタリングしたタービン効率の経時的傾向・相関分析を示すグラフである。
【図７】ガイダンスのみを行う監視方法を示すブロック図である。[0001]
BACKGROUND OF THE INVENTION
The present invention detects abnormal trends and optimization trends in the operation of equipment and facilities in plants, or stock transactions and merchandise sales in stores, identifies such abnormalities and optimal ranges, and identifies the causes of abnormalities or optimalities. Estimate and provide guidance on the operation or transaction of each device or facility, and use the data mining that can operate or transaction the device, facility, or the monitoring and execution method of facility operation status or transaction is there.
[0002]
[Prior art]
Electricity generated at thermal power plants, hydroelectric power plants, nuclear power plants, etc. is boosted in voltage to be transmitted efficiently and sent to electrical stations such as substations via transmission lines, where it is stepped down and further converted to other substations via transmission lines. Power is transmitted to the station, and is sent to the customer through the transmission line and distribution line.
Thus, it is desired that the power plant performs safe and efficient power generation, and that the substation transforms the voltage, that is, transports the power safely and economically.
[0003]
In order to fulfill the mission of electric power stations such as power plants and substations, it is of course necessary to have the necessary equipment, but the operation and maintenance of the power plants must be easy, reliable and safe. There is. For this purpose, power plants, substations, and the like are provided with monitoring control devices such as switchboards and control consoles so that they can be operated easily. Therefore, in the operation of these electric power stations, for the purpose of facility management, a large number of plant process quantities are automatically measured and loaded into a computer and managed as operation data, and these data are stored and managed over a long period of time. . The operation data is, for example, diary data of a thermal power plant, plant performance management, and record data, and includes various data such as operation history data, facility maintenance management data, and environmental monitoring data. Each data is processed and edited according to its characteristics and characteristics.
[0004]
[Problems to be solved by the invention]
These operation data are recorded in minute units and hour units in recent power plants, and are accumulated as a product of the type of data and the recording time, so the amount of data is huge. In this way, the operation data is stored for a long period of time, but the past data is very rarely used.
[0005]
In addition, it has been desired to propose a method for efficiently executing various transactions such as stock transactions and trend of popular products and stocks and futures transactions in stock transactions or sales of various products such as convenience stores using a vast amount of data.
[0006]
The present invention has been developed to solve such problems. That is, the object of the present invention is to analyze past operation data related to plants and equipment such as thermal power plants using data mining technology, to find abnormal operation and optimum operation guidelines from a huge amount of data, and to verify normal operation of the plant. Finding improvement guidelines for operation or high-efficiency operation, and analyzing the vast amount of data related to the sale of various products such as stock transactions or convenience stores using data mining technology, so that the optimal operation plan for stock transactions or convenience stores etc. An object of the present invention is to provide a method for monitoring and executing a device, a facility operating state or a transaction using data mining capable of extracting an index.
[0007]
[Means for Solving the Problems]
According to the present invention, the abnormal tendency and the optimum value tendency of the operation or transaction of equipment or facilities are detected, the abnormality and optimum range are identified, the abnormality or optimum cause is estimated, and each equipment or facility is further estimated. This is a method for monitoring and executing equipment, facility operation status or transaction using data mining, which provides guidance on the operation and transaction of the equipment, and collects and stores various data relating to operation or transaction of the equipment and facility Based on the data evaluation, a data mining stage for analyzing the trend / correlation over time for the data focusing on a specific item, a data evaluation stage for clarifying the evaluation, operation, control, transaction contents and the reason for the data, and the data evaluation The stage of executing the operation or transaction of the equipment or facility and the data for performing the operation or transaction of the equipment or facility and further data mining And data mining steps, with a device using the data mining, characterized in that, monitoring and running the operating conditions or transaction facilities are provided.
[0008]
Before the data mining step, a data selection step for selecting data items necessary for managing the operation or transaction of the equipment or facility and data items necessary for monitoring the operation status or transaction is provided. Is desirable.
[0009]
In the monitoring method of the above configuration, past data, current data, and forecast data regarding the operation status of facilities such as thermal power plants collected at the data mining stage are analyzed, and the optimum operation guideline is obtained from the enormous data. You can find out and find improvement guidelines for high-efficiency operation of equipment and facilities in the plant. In particular, since it is possible to extract an optimum index for plant operation or transaction from past operation data or transaction data, it is possible to detect the tendency of operation or transaction of equipment and facilities in the plant, etc., identify the index range, and further each device And provide facility operation or transaction guidance.
In addition, there are a large number of stores such as convenience stores, and data mining and analysis can be performed from a vast amount of data handling a large number of products, and a transaction trend can be detected from the vast amount of data to find a guideline for maximum profit.
[0010]
Preferably, the data evaluation step further includes a simulation step of performing a data mining verification and a simulation for generating reference data. In this way, by providing a simulation stage, it is possible to easily control or verify the actual machine by comparing the actual machine with the simulation. Can be monitored and executed.
[0011]
Predictive data can be generated by adding information collected in the data mining stage as a model in the simulation stage, and the accuracy can be improved.
[0012]
In the data mining stage, it is preferable to collect and store various data items related to the operation or transaction of equipment and facilities in a hierarchical manner.
[0013]
In the data mining stage, various data items related to the operation or transaction of equipment and facilities are collected and stored. By performing data mining on the hierarchically extracted data items, it is specified which part of the device, facility or transaction the information obtained from the mining result is specified. In data mining, the behavior of the plant changes in a complex manner due to various factors. Therefore, in order to eliminate the influence of those factors (data items), a constant condition is set for those data items. And perform data mining processing such as clustering.
[0014]
In order to divide the data area according to some conditions, clustering is performed, and a data analysis step by clustering for analyzing a data trend in each class can be further provided. As a result, it is possible to see the same condition, that is, the time-series trend in the class.
[0015]
The data mining result is converted into a time series graph, a regression curve by the least square method is obtained, the slope values of the obtained regression curves are relatively compared, and the trend over time is grasped. The method further comprises a step.
As a result, when a regression curve is obtained from a time series graph, only the data of ± σ (or ± 2σ, ± 3σ) of the data is used to remove the data variation, and the accuracy of the temporal trend analysis can be improved. . Based on the hierarchical structure obtained in this way, by analyzing the correlation of the trend over time (slope value of the regression curve) of each item, the degree of influence of each time trend is known, and the cause of the time trend is estimated can do.
[0016]
The correlation between the selected data items can be analyzed, and the correlation of the trend over time can be supplemented.
[0017]
It is preferable to perform data mining by clustering, and to detect the trend by analyzing the trend and correlation over time between data chunks that exist as chunks in time series as data under the same conditions.
[0018]
Data mining by clustering is performed by clustering according to the atmospheric temperature and seawater temperature, which are factors that affect the efficiency of the plant. In addition, data mining is performed by clustering based on factors such as the weather and temperature that affect the sales of products in stores. With respect to data clustered by this predetermined factor, the operation efficiency can be corrected, and a result of combining a plurality of graphs can be calculated and evaluated.
[0019]
For data mining by clustering, the operation data before and after the regular inspection / repair work at the plant is classified, data that clearly shows an abnormal tendency is excluded, and data chunks with a small number of data are deleted, and the remaining data By obtaining a linear regression curve and setting the slope as the normal tendency range, it is possible to set a range in which the temporal tendency is determined to be normal.
[0020]
In the data mining by clustering, a linear regression curve between data chunks is obtained and compared with a normal tendency value to check whether or not there is a large deviation and whether the data chunk itself has a tendency over time or not. By determining the correlation value (R2 value) between the chunk and the time and judging it, and if the chunk of data itself has a tendency over time, compare it with the normal trend range and check whether it has deviated significantly , Detect abnormal trends.
[0021]
The clustered data is corrected for the operation status of equipment, facilities, or transaction efficiency, and the result of combining a plurality of graphs is calculated and evaluated.
[0022]
For the data clustered by condenser vacuum and atmospheric temperature, the plant efficiency is corrected and the result of combining multiple graphs is calculated and evaluated.
[0023]
By performing these data mining processes (clustering processes) hierarchically, the cause of the abnormality (the part where the abnormality occurs) is specified.
[0024]
Business know-how can be referred to in the data evaluation stage.
[0025]
Based on the result of the data evaluation step, the operation of the device or facility is manually operated or automatically controlled.
[0026]
In the data evaluation step, an economic transaction can be performed. For example, it can be used to efficiently execute stock transactions and various transactions using a large amount of data.
[0027]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, preferred embodiments of the present invention will be described with reference to the drawings.
FIG. 1 is a block diagram showing an embodiment of a method for monitoring and executing the operation status of a device or facility using data mining according to the present invention. FIG. 2 is a block diagram showing an embodiment of a transaction monitoring and execution method using data mining of the present invention.
The monitoring and execution method of the present invention collects and stores various data related to the operation or transaction of equipment and facilities in a power plant, and performs data mining processing for analyzing temporal trends and correlations for data focusing on specific items. Perform the data mining process, specify the evaluation, operation, control, transaction details and reason, and implement the operation or transaction of the equipment or facility based on this data evaluation. This is a method for further supplementing data mining for each data. This detects abnormal trends and optimal value trends in the operation of equipment and facilities or transactions, identifies the abnormalities and optimal ranges, estimates the abnormalities or optimal causes, and further operates and trades in each equipment and facility. This is a method of operating equipment and facilities.
[0028]
FIG. 3 is a flowchart for explaining the data mining processing portion in FIG. 1 or FIG.
In the data mining process, as shown in FIG. 3, based on the operation data, (1) data mining pre-processing, (2) hierarchization / clustering process, (3) temporal trend / correlation analysis, (4) trend deterioration Creation of graph, (5) detection of abnormal tendency, (6) estimation of cause of abnormality, (7) output of diagnosis guidance result, and (8) normal operation guidance output.
[0029]
When data mining processing is performed, a large number of plant process quantities are automatically measured and taken into a computer for the purpose of equipment management in plants such as power plants and substations, and these are managed as operation data and stored and managed for a long period of time. Data to be collected is collected in advance. For example, the operation data includes power plant logbook data, plant performance management, and record data. Various data such as operation history data, facility maintenance management data, and environmental monitoring data are collected and stored in advance. To do.
[0030]
A normal operation or high-efficiency operation zone is determined from the past data mined in this manner, and when verifying the past operation state, it is determined whether or not the zone has protruded from such a zone. The judgment is made by both the instantaneous value and the trend, and when entering the normal or high-efficiency zone, it is manually operated or automatically controlled.
[0031]
In this way, in the operation status monitoring and execution method using data mining, operation data, maintenance history, and the like of the past three years of a plant such as a power plant are used. It is preferable to periodically collect current operation data for creating diagnosis and applying basic data for diagnosis using this data mining to perform efficiency management and abnormality monitoring.
[0032]
Furthermore, the data mining results are viewed from a comprehensive viewpoint, guidance on efficiency management is presented, and the effect when the variation in driving can be within the guidance range is calculated. Based on past operation results, an optimum operation pattern for efficient operation is obtained, and operation guidance with an operation tolerance is taken into consideration that takes into account measurement errors and influence errors other than evaluation items. The effect when it is possible to achieve the optimum efficiency operation is obtained from the efficiency collection curve (design value).
[0033]
FIG. 4 is an explanatory diagram showing hierarchical selection of data items.
These data are stored in a database (not shown) using the Internet or web. For example, in the hierarchization / clustering process, various data items related to the operation or transaction of equipment or facilities are selected and stored. By data mining the data items extracted hierarchically, it is specified which part of the device, facility, or transaction the information obtained from the mining result is related to. As described above, the behavior of the plant changes in a complicated manner due to various factors, so that a constant value is set for these data items in order to eliminate the influence of those factors (data items).
[0034]
As shown in FIG. 3, “power transmission end efficiency” is divided into “power generation end efficiency” and “in-house power” hierarchy, and “power generation end efficiency” is divided into “boiler efficiency” and “turbine efficiency”. Dividing into hierarchies, “boiler efficiency” is hierarchically selected from “exhaust gas loss” and “boiler body”. “Turbine efficiency” is divided into a hierarchy of “condenser vacuum” and “turbine body”.
[0035]
By mining the data items extracted hierarchically, it is possible to specify which part of the plant the information obtained from the mining result relates to. Furthermore, since the behavior of the plant changes in a complicated manner due to various factors, in order to eliminate the influence of those factors, that is, the data items, conditions of a constant value are set for those data items.
[0036]
Further, in the hierarchization / clustering process, clustering is performed in order to divide the data area under some conditions, and the data trend in each class is analyzed. By this clustering, the same condition, that is, the tendency on the time series in the class can be seen.
[0037]
Rather than analyzing all data areas, for example, data from the lowest burden to the rated burden, the data areas are clustered to analyze the data trends in each class. As a result, the same condition, that is, the tendency on the time series under the class can be seen.
[0038]
In the time trend / correlation analysis, the data mining result is converted into a time series graph, a regression curve by the least square method is obtained, and the slope values of the obtained regression curves are relatively compared to grasp the time trend. . As a result, when the regression curve is obtained from the time series graph, the accuracy of the temporal trend analysis is improved by using only the data of ± σ (or ± 2σ, ± 3σ) of the data in order to remove the variation of the data. Can do.
[0039]
Based on the hierarchical structure obtained by this temporal trend analysis, the correlation of the temporal trend (the slope value of the regression curve) of each item is analyzed. Thereby, the influence degree of each time-dependent tendency is known, and the factor of the time-dependent tendency can be estimated.
[0040]
For example, as shown in Table 1, the “power generation end efficiency” of the data item indicates “there is a tendency for a reduction in efficiency” as the time trend, and “the turbine efficiency” indicates that “there is a tendency for a reduction in efficiency” and “the boiler efficiency” "Has a tendency over time in" efficiency has no tendency over time ", it can be estimated that the factor of the efficiency reduction is on the turbine side.
[0041]
[Table 1]
It is preferable to analyze the correlation between the selected data items and complement the correlation of the trend over time.
[0043]
Data mining by clustering is performed, and an abnormal tendency is detected by analyzing a temporal trend and correlation between data chunks that exist as chunks in time series as data under the same conditions. The abnormal tendency is also detected by analyzing the trend and correlation of the data chunk itself over time.
[0044]
As shown in FIG. 1 or 2, it is preferable to perform data mining verification and simulation for generating reference data after data evaluation. In this way, by comparing the actual machine with the simulation, it is possible to easily control or verify the actual machine, and to reliably monitor and execute the operation status or transaction of the equipment or facility.
[0045]
Information obtained by data mining is added to the simulator model. Predictive data can be generated by providing a simulator that performs data mining verification and simulation for generating reference data.
[0046]
Data mining by clustering is performed by clustering according to atmospheric temperature and seawater temperature, which are factors that affect plant efficiency. Clustering is performed for external factors. For example, for “turbine efficiency”, the seawater temperature is collected in increments of “0.5 ° C.”. Data on the “boiler efficiency” is collected in increments of “2.5 ° C”. For the data clustered by this predetermined factor, the operation efficiency is corrected, and the result of combining a plurality of graphs is calculated and evaluated.
[0047]
Data mining by clustering separates operation data before and after regular inspection and repair work at the plant, excludes data that clearly shows abnormal trends, deletes data chunks with a small number of data, and uses the remaining data By obtaining a linear regression curve and setting the slope as a normal trend range, a range in which the temporal trend is determined to be normal is set.
[0048]
In data mining by clustering, a linear regression curve between data chunks is obtained, compared with the normal trend value, whether there is a significant deviation, and whether the data chunk itself has a tendency over time By calculating the correlation value (R2 value) between the time and the time, and judging by that, if the data chunk itself has a tendency over time, it is compared with the normal trend range and by checking whether it is not significantly deviated, Detect abnormal trends and optimal value trends.
[0049]
The clustered data is corrected for the operation status of equipment and facilities or the efficiency of transactions, and the result of combining a plurality of graphs is calculated and evaluated. For the data clustered by condenser vacuum and atmospheric temperature, the plant efficiency is corrected and the result of combining multiple graphs is calculated and evaluated.
[0050]
An expert system is arranged next to the output of data mining, and this expert system refers to business know-how in data evaluation and operation, control contents, and is an expert system. This business know-how refers to know-how necessary for the operation of equipment in a plant or the operation of a facility, for example. Alternatively, it refers to know-how such as preferred trading time and purchase amount in stock trading.
[0051]
Based on the result of such data evaluation, the operation of equipment and facilities in the plant is manually operated or automatically controlled.
[0052]
Further, it is possible to conduct economic transactions such as stock transactions and futures transactions based on the results of such data evaluation. For example, it can be used to efficiently execute stock transactions and various transactions using a large amount of data. Furthermore, it is possible to grasp the relationship between the customer base and the best-selling product in the sales of various products such as convenience stores, and the relationship between the weather and the trend of the best-selling product, thereby improving the efficiency of the sales.
[0053]
FIG. 5 is a graph showing a trend and correlation analysis of turbine efficiency over time clustered at a load of 100% and at a cooling water temperature condenser inlet of 15 ° C.
On the graph, the trend from December 1998 to November 1999 has a small correlation value and it can be judged that there is no abnormality in the equipment or inadequate operation method within the range of data variation, but the trend from November 1999 to April 2000 is The tendency has a large correlation value, and it can be determined that there is an abnormality in the device or an inappropriate operation method.
[0054]
FIG. 6 is a graph showing a trend and correlation analysis of the turbine efficiency over time clustered with a load of 100% and a condenser vacuum degree of 734 mmHg.
The trend from December 1998 to January 2000 on the graph shows that the correlation value is small, and it can be determined that there is no equipment abnormality or inadequate operation method within the range of data variation. From February 2000 to February 2000, The tendency of the lump has a large correlation value, and the correlation of the tendency of the lump itself around February 2000 is large, so that it can be determined that there is an abnormality in the equipment or an inappropriate operation method.
[0055]
FIG. 7 is a block diagram showing a monitoring method for performing only guidance.
The monitoring method of equipment, facility operation status or transaction using the data mining of the present invention can be used as a method of performing only guidance. In other words, this is a method in which operation data regarding equipment, facility operation status or transaction is not newly mined. For example, it can be used to estimate the sales amount of a product according to “sunny day”, “cloudy day”, and “rainy day” in a store.
[0056]
Note that the present invention is not limited to the above-described embodiment, and is not limited to the above-described configuration as long as it is a method of data mining past data and new data, and analyzing and predicting the trend. Of course, various changes can be made without departing from the scope of the invention.
[0057]
【The invention's effect】
The monitoring and execution method of equipment, facility operation status or transaction using the data mining of the present invention is data mining operation data related to a plant or equipment, or data mining operation data related to a transaction and analyzing the data. In order to find optimal operation guidelines from a huge amount of data, and to find improvement guidelines for high-efficiency operation of plants, equipment, and transactions, the optimal indicators of plants, equipment, and transactions are extracted from past and new operation data and operation data. Can be economically operated.
[0058]
For example, it is possible to extract an optimum index of plant operation from past operation data, detect the tendency of operation of equipment and facilities in the plant, identify the index range, further identify the cause of the abnormality, The facility can operate normally and with high efficiency.
[0059]
In addition, when handling a large number of products like a large number of stores such as convenience stores, data mining and analysis is performed from a vast amount of data such as stock transactions that need to be traded based on a number of factors, and trading is performed from that vast amount of data. It is possible to detect the tendency of the above and find the guideline of the maximum profit in the optimal commodity trading or stock trading.
[Brief description of the drawings]
BRIEF DESCRIPTION OF DRAWINGS FIG. 1 is a block diagram showing an embodiment of a monitoring method and an execution method for equipment and facilities using data mining according to the present invention.
FIG. 2 is a block diagram illustrating an embodiment of a transaction monitoring and execution method using data mining of the present invention.
FIG. 3 is a flowchart for explaining a data mining processing portion in FIG. 1 or FIG. 2;
FIG. 4 is an explanatory diagram showing hierarchical selection of data items.
FIG. 5 is a graph showing a trend and correlation analysis of turbine efficiency over time clustered at a load of 100% and a cooling water temperature condenser inlet of 15 ° C.
FIG. 6 is a graph showing a trend and correlation analysis of turbine efficiency over time clustered with a load of 100% and a condenser vacuum degree of 734 mmHg.
FIG. 7 is a block diagram illustrating a monitoring method for performing only guidance.
Claims (20)
前記機器や施設の運転又は取引に関する種々のデータについて採取し、格納し、特定の項目に着目したデータについて経時的傾向・相関を解析するデータマイニング段階と、
前記データについて評価、操作、制御、取引内容及びその理由を明示するデータ評価段階と、
前記データ評価に基づいて機器や施設の運転又は取引等を実施する実行段階と、
前記機器や施設の運転等又は取引を実施した各データを、更にデータマイニングする補充データマイニング段階と、を備えた、ことを特徴とするデータマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法。Detect abnormal trends and optimal value trends in the operation of equipment and facilities or transactions, identify the abnormalities and optimal ranges, estimate the abnormalities or optimal causes, and provide guidance on the operation and transactions of each equipment and facility A method of monitoring and executing equipment, facility operating status or transactions using data mining,
A data mining stage that collects and stores various data related to the operation or transaction of the equipment and facilities, analyzes the trend and correlation over time for data focusing on specific items, and
A data evaluation stage that specifies evaluation, operation, control, transaction details and reasons for the data;
An execution stage of performing operation or transaction of equipment and facilities based on the data evaluation; and
Monitoring of equipment, facility operation status or transaction using data mining, characterized in that it comprises a supplementary data mining stage for further data mining each piece of data such as operation of the device or facility or transaction And execution method.
プラントにおける定検・補修工事前後の運転データを区分し、
明らかに異常な傾向を示しているデータは除外し、更にデータ数が少ないデータ塊は削除し、
残ったデータで一次の回帰曲線を求め、その傾きを正常傾向範囲とすることにより、経時的傾向の正常と判断される範囲を設定する、ことを特徴とする請求項６，７，８，９のデータマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法。Data mining by clustering
Divide the operation data before and after the regular inspection and repair work at the plant,
Exclude data that clearly shows abnormal trends, and delete data chunks with a small number of data,
The primary regression curve is obtained from the remaining data, and the slope is set as a normal tendency range, thereby setting a range in which the temporal trend is determined to be normal. Monitoring and execution method of equipment, facility operation status or transaction using data mining.
データの塊間の一次の回帰曲線を求め、正常傾向値と比較し、大きく逸脱していないかを確認し、
データの塊自身が経時的傾向をもっているかどうかをデータの塊と時刻との相関値（Ｒ２値）を求め、それにより判断し、
データの塊自体が経時的傾向を持つ場合、正常傾向範囲と比較し、大きく逸脱していないかどうかを確認することにより、異常傾向を検出する、ことを特徴とする請求項９のデータマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法。Data mining by clustering
Find a linear regression curve between data chunks and compare with normal trend values to see if they deviate significantly,
The correlation value (R2 value) between the data chunk and the time is determined to determine whether the data chunk itself has a tendency over time,
The data mining according to claim 9, wherein when the data chunk itself has a tendency over time, an abnormal tendency is detected by confirming whether or not a large deviation from the normal tendency range. Monitoring and execution method of equipment used, operation status of facility or transaction.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003198570A JP2005038098A (en) | 2003-07-17 | 2003-07-17 | Apparatus using data mining, and method for monitoring and executing operation state of facility or transaction |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003198570A JP2005038098A (en) | 2003-07-17 | 2003-07-17 | Apparatus using data mining, and method for monitoring and executing operation state of facility or transaction |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2005038098A true JP2005038098A (en) | 2005-02-10 |
Family
ID=34208318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003198570A Pending JP2005038098A (en) | 2003-07-17 | 2003-07-17 | Apparatus using data mining, and method for monitoring and executing operation state of facility or transaction |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2005038098A (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006338265A (en) * | 2005-06-01 | 2006-12-14 | Fujitsu Ltd | Data analysis method and data analysis program |
| JP2010231671A (en) * | 2009-03-27 | 2010-10-14 | Metawater Co Ltd | Process monitoring device and process monitoring method |
| WO2012077748A1 (en) * | 2010-12-09 | 2012-06-14 | 三洋電機株式会社 | Clustering method, optimization method using same, power supply control device |
| JP2013109762A (en) * | 2011-11-23 | 2013-06-06 | General Electric Co <Ge> | Real-time contextual kpi-based autonomous alerting agent |
| JP2015103218A (en) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | Plant diagnostic apparatus and plant diagnostic method |
| US10466761B2 (en) | 2014-04-29 | 2019-11-05 | Lsis Co., Ltd. | Power system monitoring and control system |
| CN111179077A (en) * | 2019-12-19 | 2020-05-19 | 成都数联铭品科技有限公司 | Method and system for identifying abnormal stock transaction |
| JP2021068037A (en) * | 2019-10-18 | 2021-04-30 | 株式会社日立製作所 | Performance diagnostic system |
| CN113254541A (en) * | 2021-04-15 | 2021-08-13 | 浙江工业大学 | Theatre operation and maintenance management method based on cluster analysis |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0954611A (en) * | 1995-08-18 | 1997-02-25 | Hitachi Ltd | Process control unit |
-
2003
- 2003-07-17 JP JP2003198570A patent/JP2005038098A/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0954611A (en) * | 1995-08-18 | 1997-02-25 | Hitachi Ltd | Process control unit |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006338265A (en) * | 2005-06-01 | 2006-12-14 | Fujitsu Ltd | Data analysis method and data analysis program |
| JP2010231671A (en) * | 2009-03-27 | 2010-10-14 | Metawater Co Ltd | Process monitoring device and process monitoring method |
| WO2012077748A1 (en) * | 2010-12-09 | 2012-06-14 | 三洋電機株式会社 | Clustering method, optimization method using same, power supply control device |
| US20130140887A1 (en) * | 2010-12-09 | 2013-06-06 | Sanyo Electric Co., Ltd. | Clustering method, optimization method using the same, power supply control device |
| JP2013109762A (en) * | 2011-11-23 | 2013-06-06 | General Electric Co <Ge> | Real-time contextual kpi-based autonomous alerting agent |
| WO2015079766A1 (en) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | Diagnostic device and diagnostic method for plant |
| JP2015103218A (en) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | Plant diagnostic apparatus and plant diagnostic method |
| CN105992977A (en) * | 2013-11-28 | 2016-10-05 | 株式会社日立制作所 | Diagnostic device and diagnostic method for plant |
| CN105992977B (en) * | 2013-11-28 | 2018-12-14 | 株式会社日立制作所 | The diagnostic device and diagnostic method of complete set of equipments |
| US10466761B2 (en) | 2014-04-29 | 2019-11-05 | Lsis Co., Ltd. | Power system monitoring and control system |
| JP2021068037A (en) * | 2019-10-18 | 2021-04-30 | 株式会社日立製作所 | Performance diagnostic system |
| CN111179077A (en) * | 2019-12-19 | 2020-05-19 | 成都数联铭品科技有限公司 | Method and system for identifying abnormal stock transaction |
| CN111179077B (en) * | 2019-12-19 | 2023-09-12 | 成都数联铭品科技有限公司 | Stock abnormal transaction identification method and system |
| CN113254541A (en) * | 2021-04-15 | 2021-08-13 | 浙江工业大学 | Theatre operation and maintenance management method based on cluster analysis |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (en) | Power distribution network line fault risk day prediction method and system | |
| US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
| EP2520994A2 (en) | Automated system and method for implementing statistical comparison of power plant operations | |
| KR101044744B1 (en) | Operating ? Maintenance System and Method for Power Distribution System Facility Based on Reliability | |
| CN109948860A (en) | A kind of mechanical system method for predicting residual useful life and system | |
| CN111459700A (en) | Method and apparatus for diagnosing device failure, diagnostic device, and storage medium | |
| CN105354616A (en) | Processing device and on-line processing method for electric power measurement asset data | |
| CN104731664A (en) | Method and device for processing faults | |
| CN105044499A (en) | Method for detecting transformer state of electric power system equipment | |
| JP2009064407A (en) | Process analysis apparatus, process analysis method, and process analysis program | |
| JP2005038098A (en) | Apparatus using data mining, and method for monitoring and executing operation state of facility or transaction | |
| CN110968703B (en) | Method and system for constructing abnormal metering point knowledge base based on LSTM end-to-end extraction algorithm | |
| CN115698882A (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
| CN115698881A (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
| CN114879619A (en) | Digital workshop energy optimization method and system | |
| CN111612149A (en) | Main network line state detection method, system and medium based on decision tree | |
| KR102494420B1 (en) | Machine learning-based clean room management system and method | |
| CN115917460A (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
| JP5668425B2 (en) | Failure detection apparatus, information processing method, and program | |
| CN110852621A (en) | Power customer load characteristic analysis and classification method, device and readable storage medium | |
| Bey-Temsamani et al. | A practical approach to combine data mining and prognostics for improved predictive maintenance | |
| CN112015724A (en) | Method for analyzing metering abnormality of electric power operation data | |
| CN115424106A (en) | Trolley detection method and device, electronic equipment and storage medium | |
| Urmeneta et al. | A methodology for performance assessment at system level—Identification of operating regimes and anomaly detection in wind turbines | |
| Righetto et al. | Predictive maintenance 4.0: Concept, architecture and electrical power systems applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050614 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071113 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080110 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080219 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080418 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080515 |